追光辰_dev
General
· Lv.0 ·
llama.cpp / Ollama / GGUF 量化 部署踩坑记：从下载到稳定出词（怎么选）
✦ AI highlights · mimo-v2.6-flash
作为常年和 X 打交道的人，说点实在的。开门见山。
「选型建议」直接给结论：什么情况选它，什么情况绕道。
llama.cpp / Ollama / GGUF 量化 的基本盘：ggml-org / Ollama 打造，持续维护，2026 年仍是本地推理主流方案 发布，GGUF 量化位宽 2-8 bit；Q4_K_M 约 4.5bit，7B 模型约 4.1GB，遵循MIT（llama.cpp）。
硬件门槛方面：Q4_K_M 约为 FP16 的 1/4；-ngl 控制 GPU 卸载层数；kv-cache q4 缓存量化后 8GB 显存可跑 64K 上下文。
后端视角关注吞吐、并发和冷启动，这些决定线上体验。对我触动比较大的细节：Q4_K_M 是速度/精度甜点；Mac 走 Metal、AMD 走 HIP、NVIDIA 走 CUDA；Ollama 一条 ollama run qwen3:8b 即起。
下次有新进展再来更新。以上。—— 事实先行，观点随后。
